基于Lucene框架的Latex数学公式检索研究

【摘要】：数学公式是一种特殊的符号表达方式，是一种非线性结构的符号描述，在一些科技文档中，它能使文章展现出更加清晰的逻辑关系。如何像普通文本一样，实现对数学公式的检索，是目前信息检索领域的课题之一。 本文采用Lucene框架，研究基于Latex公式语言的数学公式检索系统。首先，选择Latex作为数学公式的描述语言，通过对Latex语言进行详细解析，构建针对数学公式的分析器，该分析器分别按照公式中的普通字符集、公式中的特殊字符集进行构建，公式中的特殊字符集中又细分为函数、运算符、公式同义符号等。根据传统的分词算法，实现针对数学公式的拆分算法和对Latex数学公式的解析；其次，基于Lucene框架构建Latex数学公式的预处理模块、索引模块以及搜索模块，其中预处理模块的主要功能是进行公式格式转换，使之成为Lucene可处理的文本文件类型；索引模块根据以运算为主线的按层次分类的索引方法创建索引；搜索模块采用Lucene中的模糊查询，提高了检索系统的查全率。基于Lucene框架的Latex数学公式检索系统取得了较好的实验效果。